基于圖像處理的場面監視雷達目標檢測

摘 要 針對場面監視雷達目標檢測問題，提取一種基于圖像處理的場面監視雷達目標檢測方法。首先，把雷達回波數據映射到二維圖像矩陣中;其次，進行中值濾波，并把圖像分割;然后，采用8鄰域鏈路法提取圖像中目標的輪廓信息，并計算出目標的中心、距離寬度和方位寬度等信息，并根據預設的點跡過濾條件，過濾掉不能滿足方位、距離條件的雜點;最后對點跡合并，抑制飛機姿勢或者陣地原因造成的目標分裂。實驗表明，所提出的方法能夠消除雷達雜點和干擾，也很好抑制目標分裂。

關鍵詞 目標檢測;圖像處理;目標分裂;雜點抑制

引言

航空運輸業的快速發展，機場場面的飛機和車輛也日益增多，越來越多的機場選擇安裝場面監視雷達系統[1]。由于機場存在復雜環境，產生大量的雜波干擾，另外，由于飛機姿態的不同，獲取到的飛機回波存在飛機機身與機翼的分裂，導致一個目標檢測出多個目標。錯誤的目標檢測，會造成無法挽回的損失。形態學的圖像處理[2]，也只能抑制少量的獨立的雜點，不能解決目標的分裂和占據多個像素點的雜點。

為了解決上述問題，本文提出了一種基于圖像處理的場面監視雷達目標檢測方法。

1 基于圖像處理的場面監視雷達目標目標檢測

處理流程如圖1所示，包括二維圖像生產，圖像平滑處理、圖像分割、目標提取、目標過濾機目標合并。

1.1 二維圖像的形成

雷達最大距離測量范圍0～Rmax米，最大方位測量范圍0～360°，量化雷達距離單元Rcell，量化方位單元數為Acell，則雷達回波極坐標位置（R，A）轉換到像素坐標公式如下

其中，Ypixel是回波距離轉換到像素坐標軸的值，Xpixel是方位轉換到像素坐標的值，R為雷達回波距離，A為方位，floor（）為取整運算。真實目標和雜波都會在圖像中形成亮塊。

1.2 圖像平滑處理

由于噪聲、雜波和各類干擾，會在雷達圖像中形成小像素點。圖像平滑處理會增強圖像中的低頻成分，減弱圖像中的高頻成分，主要用于抑制圖像中干擾的高頻噪聲，本算法采用中值濾波。

中值濾波是一種基于排序統計理論的非線性平滑技術，它的基本原理是將數字圖像中的每個像素點的顏色值用該點某領域口內的所有像素點顏色值的中值代替，能夠有效保護好圖像的邊緣信息[3]。中值濾波模板為3*3矩陣，中值濾波從圖像中濾除孤立的噪聲點，同時保存了目標的邊緣信息。

1.3 圖像分割

為了檢測到雷達圖像中的目標，首先要將目標從雷達圖像中分割出來，分割質量的好壞直接影響后續的目標檢測的正確性。因為場面監視雷達圖像幀與幀之間亮度會發生變化的特點，使用Ridler自適應閾值法作為圖像分割算法[4]。

Ridler自適應閾值法是一種利用迭代計算來選取合適閾值的方法[5]，Ridler方法利用給定的初始閾值，不斷迭代計算，最終獲取到一個最佳的分割閾值。

1.4 目標提取

雷達目標的提取，我們最關心的特征是目標的位置、幅度及尺寸的參數信息，要獲得這些信息，首先要搜索出目標的輪廓信息，然后根據輪廓信息計算出目標位置、幅度及尺寸信息。

雷達圖像經過圖像分割處理，轉化成了背景為黑色、目標為白色的二值圖像，提取目標輪廓步驟如下[6]：

（1）按照從左到右、從上到下的掃描順序，搜索圖像的白色像素點，找到第一個白色像素點p0作為輪廓的起始值;

（2）從p0開始按逆時針方向讀取它的8個領域點像素值，當第一次發現白色的像素時，為pk （k初始值為（1）的鏈碼，并將該點作為下一點搜索的初始點;

（3）將pk作為初始點，類似與步驟（2）逆時針方向搜索白色像素點，記為pk+1，記錄下pk+1的鏈碼，直到以pk+1為初始點進行搜索時在沒有剩下的輪廓點時，搜索結束。

通過對雷達圖像的輪廓點處理，同一目標的像素點組成一組，假設某個目標由N個像素組成，其中每個像素在X軸上的像素距離為pxi，在Y軸上的像素距離為pyi（i = 1，2，…，n），則得到目標位置：

其中，Σ取和運算，根據目標的輪廓信息，可以提取出目標的方位寬度、距離寬度及幅度信息，這些信息可以用于后續的目標過濾及航跡跟蹤。方位寬度Awidth為一個目標組中最大方位與最小方位值之差，距離寬度Rwidth為一個目標組中最大距離與最小距離之差，幅度Amp為組中所有點幅度平均。

1.5 目標過濾

雜波和干擾在雷達圖像中形成小的像素塊，前期中值濾波不能完全去除像素塊，需要通過目標過濾，目標過濾主要考慮雷達的不同特征參數信息。機場檢測目標主要是飛機、機動車輛等，其距離寬度、方位寬度和幅度必然在一定區間內。設定4個參數距離尺寸的最小門限（MinRangeSize）和最大門限（MaxRangeSize），方位尺寸的最小門限（MinAzimuthSize）和最大門限（MaxAzimuthSize）。

1.6 目標合并

由于大目標（如大型飛機）運動姿態的問題，雷達回波強度變化起伏大，在雷達圖像中形成兩個或者多個接近但獨立的點，如何不進行目標合并，后期將會形成多個航跡。目標合并就是把鄰近的目標點結合起來從而形成一個新的目標點。設定2個參數距離門限（MergeRangeSize），方位門限（MergeAzimuthSize）。

2 實驗結果與分析

實驗數據利用安徽四創電子股份有限公司場面監視雷達在合肥新橋國際機場采集數據，圖2的A圖為形成雷達二維圖像，B圖為平滑和輪廓提取結果，C圖是提取目標位置結果，D圖是提取目標的參數。

在圖2中，B圖與A圖對比，數學形態學的平滑處理過濾掉了一些孤立的雜點，但像素塊稍大的雜點仍然存在。所以基于數學形態學的圖像處理，只能過濾掉一些小像素塊的孤立干擾。

在圖2中，從圖D列出的目標屬性可以看出，目標號2的方位寬度和距離寬度明顯小于其他目標，根據目標過濾參數可以把2號目標過濾。

在圖2中，圖C顯示出了目標位置，目標號5和6在方位和距離上非常靠近，可以判定是大目標分裂的問題，滿足目標合并的條件，即合并為一個目標。

經過上述處理，最終輸出目標5個目標。與真實場景相符。與基于數學形態學的圖像處理[2]相比，不僅能抑制的獨立的雜點，也能過濾占據多個像素點的雜點，同時解決目標分裂問題。

3 結束語

針對場面監視雷達雜點、目標分裂問題，提出了基于圖像處理的場面監視雷達目標檢測算法。首先把回波數據映射到二維圖像矩陣中;其次，進行圖像平滑處理，并把圖像分割;然后，采用8鄰域鏈路法提取圖像中目標的輪廓信息，并計算出目標的坐標、距離和方位寬度信息，并過濾掉不能滿足方位寬度、距離寬度條件的雜點;最后對點跡合并，抑制目標分裂。通過真實數據實驗，與基于數學形態學的圖像處理相比，所提出的方法能夠消除雜點，也很好解決目標分裂。

參考文獻

[1] Eli Perl. Review of airport surface movement radar technology[J]. IEEE Aerospace and Electronic Systems Magazine，2006，21（10）：24-27.

[2] 黃鯤鵬.基于數學形態學的圖像預處理算法的研究[J].電腦知識與技術，2009，5（29）：8254-8255，8264.

[3] Chin-Chen Chang，Ju-Yuan Hsiao，Chinh-Ping Hsieh.An Adaptive Median Filter for Image Denoising[J].IEEE Intelligent Information Technology，2008，8（2）：346-350.

[4] Kittler j，Illingworth j. On threshold selsction using clustering criteria[J]. IEEE Trans Syst Man Cyber，1985，15（4）：652-655.

[5] 田守東.基于雷達圖像的目標檢測技術研究[D].哈爾濱：哈爾濱工程大學，2010.

[6] 左飛，萬普森，劉航.Visual C++ 數字處理開發入門與編程實踐[M].北京：電子工業出版社，2008.

作者簡介

黃濤，男，安徽合肥人;畢業院校：中國科學技術大學，專業：軟件工程，學歷：碩士研究生，現就職單位：安徽四創電子股份有限公司，研究方向：數據處理。